用途：当一个提示词无法完成复杂 AI 任务时，用本技能把任务拆解为多个依次衔接的步骤，构建复合 AI 系统。
主要能力：以 DSPy 模块为每个阶段，在 forward() 中编排；常见模式包括分类→路由→专门处理、生成→校验→精炼、多候选集成择优、并行扇出后合并、循环迭代改进。每个阶段定义独立 Signature，明确输入输出。可给不同阶段指定不同模型（如简单阶段用便宜模型、生成阶段用高质量模型）。可用 dspy.MIPROv2 等优化器对整个流水线端到端编译，而非单独优化每个模块；可用 dspy.inspect_history() 逐阶段调试。
使用方式：定义 Signature，在 dspy.Module 子类中实例化各阶段模块并在 forward() 串联；需要分支时在 forward() 里写 if/else；优化时传入 metric 与 trainset 调用 optimizer.compile(pipeline, trainset=trainset)。安装：npx skills add lebsral/DSPy-Programming-not-prompting-LMs-skills --skill <name>。
适用场景：无状态、近似线性的多步 AI 流程，如工单分类后检索并起草回复、多角度分析后汇总。若需要循环重试、跨调用持久状态、人工审批或多智能体协调，可改用 LangGraph（将 DSPy 模块作为节点），资料给出相关示例。
限制与注意：早期阶段输出错误会静默向后传播，可用 dspy.Refine 拦截；不要滥用 ChainOfThought，简单抽取或格式化阶段用 dspy.Predict 以省成本与延迟；流水线顺序会影响优化器可学到的依赖；除最终输出外应测试各阶段中间结果。资料未提供具体价格与平台支持信息。